PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis

要約

2D 視覚認識における深層学習の最近の成功により、特に自動運転技術の急速な発展により、深層学習ベースの 3D 点群分析がコミュニティからますます注目を集めています。
ただし、ほとんどの既存の方法は、空間ドメインの点の特徴を直接学習するため、スペクトル ドメインの局所構造は十分に調査されていません。
この論文では、学習可能なグラフ ウェーブレット変換を介してスペクトル ドメインのローカル グラフを探索する新しい方法 PointWavelet を紹介します。
具体的には、最初にグラフ ウェーブレット変換を導入してマルチスケール スペクトル グラフ畳み込みを形成し、効果的な局所構造表現を学習します。
時間のかかるスペクトル分解を回避するために、学習可能なグラフ ウェーブレット変換を考案します。これにより、トレーニング プロセス全体が大幅に加速されます。
ModelNet40、ScanObjectNN、ShapeNet-Part、および S3DIS の 4 つの一般的な点群データセットでの広範な実験により、点群の分類とセグメンテーションに対する提案された方法の有効性が実証されました。

要約(オリジナル)

With recent success of deep learning in 2D visual recognition, deep learning-based 3D point cloud analysis has received increasing attention from the community, especially due to the rapid development of autonomous driving technologies. However, most existing methods directly learn point features in the spatial domain, leaving the local structures in the spectral domain poorly investigated. In this paper, we introduce a new method, PointWavelet, to explore local graphs in the spectral domain via a learnable graph wavelet transform. Specifically, we first introduce the graph wavelet transform to form multi-scale spectral graph convolution to learn effective local structural representations. To avoid the time-consuming spectral decomposition, we then devise a learnable graph wavelet transform, which significantly accelerates the overall training process. Extensive experiments on four popular point cloud datasets, ModelNet40, ScanObjectNN, ShapeNet-Part, and S3DIS, demonstrate the effectiveness of the proposed method on point cloud classification and segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google